保障平稳的过程运行状态与高效的产能一直是现代工业亟需解决的两个重要问题,而故障监测技术是解决上述问题的有效途径,因此一直是过程控制领域的研究热点之一。随着传感器技术与集散控制系统的大力发展,基于数据驱动的故障监测技术得到了比较广泛的应用。多块模型作为近年来提出的一种集成模型框架,能够有效的针对分布式与复杂工况下的流程工业过程进行监测。论文在多块建模的框架下进行了故障监测方法研究,主要研究内容如下:(1)针对传统的主元分析(Principal Component Analysis,PCA)模型容易忽略过程局部信息的问题,提出了一种基于主元分解的子块划分策略。在不具备过程机理知识时,根据过程变量在不同主元上的贡献率将其排序,并利用累积贡献率法选取变量,形成不同组合的变量子集。这些变量子集中包含了各自的局部信息,在此基础上建立监测模型能够更加容易监测到过程的局部异常状态。最后通过贝叶斯信息准则将不同子块的监测结果进行融合,获得统一的BIC监测指标。通过TE过程的仿真实验表明,该方法相较于PCA模型获得了整体监测性能的提升。(2)为了改善多块建模策略中子块划分方法解释意义不明确且监测信息单一的问题,提出了一种基于多元信息提取的故障监测方法。不同于以往的变量子集划分方法来提取过程的局部信息,该方法侧重于从原始的观测值信息中进一步提取出累积误差信息与变化率信息,组成单独的信息子块。累积误差信息针对于一些微小与缓变故障更加敏感,变化率信息在一些变量振荡剧烈的异常情况下更容易提取出故障特征。因此各子块对各自敏感的故障类型具有良好的监测性能。接着通过贝叶斯方法将子块的监测结果进行融合,整合了各子块模型的优势,有效提升了过程故障的监测精度。并将贡献图方法拓展至多块建模策略中,通过引入加权的形式进行故障诊断,分离出引发故障的相关变量。(3)针对PCA监测算法中主元选择不够合理的问题,提出了基于敏感主元的多块PCA故障监测算法。传统的PCA故障监测方法将方差贡献较大的主元用于主元空间中进行监测,但方差贡献大的主元并不一定对故障监测更加有利。因此,从PCA监测算法的性能指标出发,将故障拆分成若干个分量,针对每个故障分量定义故障敏感系数与故障敏感主元,接着在每个子块模型中放入对每个故障分量最敏感的主元,以此保证每个子模型针对各自的故障分量最敏感,最后采用贝叶斯方法进行融合,获得全局的监测结果。该方法在未获取故障数据集的条件下定义了故障敏感主元的概念,有效地提升了故障监测的性能,并且提升了模型的泛化能力。